Stetige Verteilungsfamilien
Stetige Verteilungsfamilien
Stetige Verteilungsfamilien
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Stetige</strong> Gleichverteilung<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Zur Beschreibung von Zufallsvorgängen, deren Werte gleichmäßig über einem<br />
Intervall [a,b] verteilt sein sollen, verwendet man die<br />
<strong>Stetige</strong> Gleichverteilung<br />
Eine stetige Zufallsvariable heißt gleichverteilt auf dem Intervall [a, b],<br />
wenn sie die Dichte<br />
besitzt.<br />
f<br />
( ) ⎪⎧ ⎪<br />
( x)<br />
= ⎨<br />
⎪⎩<br />
1<br />
,<br />
b − a<br />
0,<br />
a ≤ x ≤ b ,<br />
sonst<br />
I.Steinke, T.Stocker Spezielle Verteilungen 171
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Bezeichnungsweise:<br />
Zur verkürzten Bezeichnung von Funktionen, die auf gewissen Intervallen<br />
unterschiedlich definiert sind, verwendet man die Indikatorfunktion. J sei ein<br />
Intervall, z.B. J=[a,b], dann gilt<br />
I J<br />
( ) ⎨ ⎧ 1,<br />
wenn x ∈ J,<br />
( x)<br />
= ⎨<br />
⎩ ⎧ 1,<br />
wenn x ∈ J,<br />
x =<br />
0,<br />
sonst.<br />
Wie in der Definition der Indikatorfunktion haben wir solche Funktionen bisher<br />
mit Hilfe von Fallunterscheidungen definiert. Die Dichtefunktion der stetigen<br />
Gleichverteilung auf [a,b] ist dann<br />
1<br />
b − a<br />
( x)<br />
= I ( x).<br />
f [ a,<br />
b]<br />
Bei mehr als zwei Bedingungen kann man auch mehrere Indikatorfunktionen<br />
verwenden:<br />
⎧ - 2, wenn x < -1,<br />
⎪<br />
g(<br />
x)<br />
= −2<br />
⋅ I(<br />
−∞,<br />
−1)<br />
( x)<br />
+ 2x<br />
⋅ I[<br />
−1,<br />
1]<br />
( x)<br />
+ 2⋅<br />
I(<br />
1,<br />
∞)<br />
( x)<br />
= ⎨2x,<br />
wenn -1<br />
≤ x ≤1,<br />
⎪<br />
⎩ 2,<br />
wenn<br />
x > 1.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 172
Verteilungsfunktion der stetigen Gleichverteilung: Fallunterscheidung<br />
( ) ( ) .<br />
x<br />
∫ f<br />
−∞<br />
∫−∞ x<br />
t dt = 0 dt = 0<br />
−∞<br />
x 1<br />
∫ a,b<br />
−∞<br />
b − a<br />
x 1 x −<br />
dt = ∫ dt =<br />
a b − a b −<br />
x<br />
∫−∞ f<br />
b<br />
t dt = ∫ f<br />
−∞<br />
x<br />
t dt + ∫ f<br />
b<br />
t dt = F(<br />
b)<br />
+<br />
x<br />
0<br />
b<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
x < a : F x = ∫<br />
a ≤ x ≤ b : F(<br />
x)<br />
=<br />
x<br />
f ( t)<br />
dt =<br />
−<br />
I[<br />
]( t)<br />
a<br />
,<br />
a<br />
x > b : F x =<br />
∫ dt = 1<br />
( ) ( ) ( ) ( ) .<br />
x − a<br />
b − a<br />
( x)<br />
I[<br />
]( x)<br />
+ I(<br />
)( x)<br />
F = a, b b,<br />
∞<br />
I.Steinke, T.Stocker Spezielle Verteilungen 173
Erwartungswert der stetigen Gleichverteilung:<br />
∞<br />
∞ 1<br />
1<br />
E(<br />
X ) = ∫ x ⋅ f ( x)<br />
dx = x ⋅ I[<br />
a,<br />
b]<br />
( x)<br />
dx = ⋅<br />
−∞<br />
∫−∞<br />
b − a<br />
b − a ∫<br />
=<br />
1 1<br />
⋅ x<br />
− a 2<br />
b<br />
2<br />
b a<br />
2 2<br />
b − a a + b<br />
= = .<br />
2(<br />
b − a)<br />
2<br />
Varianz der stetigen Gleichverteilung:<br />
E<br />
Var<br />
∞<br />
∞<br />
2<br />
2<br />
2 1<br />
( X ) x ⋅ f ( x)<br />
dx = x ⋅ I ( x)<br />
1<br />
= ∫<br />
[ a,<br />
b]<br />
dx = ⋅<br />
−∞<br />
∫−∞<br />
b − a<br />
b − a ∫<br />
b<br />
3 3 2<br />
2<br />
1 1 3 b − a a + ab + b<br />
= ⋅ x = =<br />
.<br />
b − a 3 a 3(<br />
b − a)<br />
3<br />
2<br />
2<br />
2<br />
2 a + ab + b ( a + b)<br />
= E(<br />
X ) − ( E(<br />
X )) =<br />
−<br />
3 4<br />
( X ) = .<br />
a + b<br />
E(<br />
X ) =<br />
,<br />
2<br />
Var<br />
( b − a)<br />
12<br />
( X ) = .<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
a<br />
a<br />
b<br />
b<br />
( b − a)<br />
12<br />
x dx<br />
I.Steinke, T.Stocker Spezielle Verteilungen 174<br />
2<br />
2<br />
x<br />
2<br />
2<br />
dx
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Wartezeit an einer Bushaltestelle. (aus Schira)<br />
Zwischen Mitternacht und sechs Uhr morgens kommt der Bus gemäß Fahrplan alle<br />
halbe Stunde. Ein Fahrgast treffe ohne Kenntnis des Fahrplans zufällig an der<br />
Bushaltestelle ein.<br />
Wie groß ist die Wahrscheinlichkeit, dass er mindestens 10 Minuten warten muss?<br />
Wie groß ist der Erwartungswert und die Varianz der Wartezeit T?<br />
Gehen Sie davon aus, dass T über die Periode 0≤t≤30 (in Minuten) stetig<br />
gleichverteilt ist.<br />
Lösung: Es gilt mit a=0 und b=30<br />
10 − 0 2<br />
( > 10)<br />
= 1−<br />
( ≤10)<br />
= 1−<br />
T<br />
=<br />
30 − 0 3<br />
F<br />
T P<br />
T P<br />
0 + 30<br />
E(<br />
T ) = = 15 und Var(<br />
T ) =<br />
2<br />
( 10)<br />
= 1−<br />
.<br />
( 30 − 0)<br />
12<br />
900<br />
12<br />
Die Wahrscheinlichkeit, mehr als 10 Minuten warten zu müssen, beträgt 0.667; die<br />
mittlere Wartezeit 15 Minuten.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 175<br />
2<br />
=<br />
=<br />
75.
Exponentialverteilung<br />
Exponentialverteilung<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Zur Beschreibung von Lebensdauern und Wartezeiten verwendet man häufig<br />
Verteilungen, die beliebige positive Werte annehmen können.<br />
Eine stetige Zufallsvariable heißt exponentialverteilt mit dem Parameter λ > 0,<br />
kurz X ~ Exp(λ), wenn sie die Dichte<br />
( ) ⎨<br />
⎩ ⎧ λ e<br />
f x =<br />
0,<br />
−λx<br />
besitzt. Alternativ lässt sich f(x) schreiben als<br />
f<br />
,<br />
x<br />
x<br />
≥<br />
<<br />
0,<br />
0,<br />
−λx<br />
( x)<br />
= λ e I[<br />
)( x).<br />
0,<br />
∞<br />
Exponentialverteilte Zufallsvariablen nehmen positive Werte an und eignen sich<br />
deshalb zur Beschreibung von Lebensdauern und Wartezeiten.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 176
Dichten der Exponentialverteilung<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Bemerkungen:<br />
• Die Dichten sind (linkssteil)<br />
rechtsschief.<br />
• Kleine Realisierungen sind<br />
„wahrscheinlicher“ als große<br />
Realisierungen.<br />
• Umso größer λ wird, umso<br />
schneller fällt die Dichte ab<br />
und ist konzentrierter um 0.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 177
Verteilungsfunktion der Exponentialverteilung<br />
x<br />
x<br />
( ) ( ) .<br />
x < 0 : F x = ∫−∞ f t dt = ∫ 0 dt = 0<br />
−∞<br />
x<br />
x ≥ 0 : F(<br />
x)<br />
= ∫<br />
x<br />
−λt<br />
f ( t)<br />
dt = ∫ λ ⋅e<br />
I[<br />
0,<br />
∞)<br />
dt = λ ⋅∫<br />
F<br />
−∞<br />
1<br />
= λ ⋅ e<br />
− λ<br />
−λt<br />
−λx<br />
( x)<br />
= 1−<br />
e ) I ( x).<br />
( [ 0,<br />
∞)<br />
Ähnliche, aber analytisch<br />
anspruchsvollere Rechnungen<br />
liefern<br />
1<br />
1<br />
E(<br />
X ) = , Var X 2<br />
λ<br />
λ<br />
x<br />
0<br />
=<br />
( ) = .<br />
−∞<br />
−<br />
−λx<br />
0<br />
−λx<br />
( e − e ) = 1−<br />
e .<br />
0<br />
x<br />
e<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
I.Steinke, T.Stocker Spezielle Verteilungen 178<br />
−λt<br />
dt
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Lebensdauer von Glühbirnen. (aus Schira)<br />
Nach den Angaben des Herstellers beträgt die mittlere Lebensdauer seiner 100-<br />
Watt-Glühbirnen 5000 Stunden.<br />
Wie groß ist die Wahrscheinlichkeit, dass eine Glühbirne<br />
a) weniger als halb so lange oder<br />
b) mehr als doppelt so lange brennt?<br />
Die Lebensdauer X einer Glühbirne sei hierbei exponentialverteilt.<br />
Lösung: Da E(X)=1/λ und die mittlere Lebensdauer 5000 (in Stunden) betragen<br />
soll, berechnen wir aus 1/λ=E(X)=5000 den Wert λ=1/5000.<br />
a)<br />
b)<br />
P(<br />
X<br />
P(<br />
X<br />
<<br />
2500)<br />
= P(<br />
X<br />
≤<br />
2500)<br />
=<br />
F<br />
( 2500)<br />
⎛<br />
> 10000)<br />
= 1−<br />
F(<br />
10000)<br />
= 1−<br />
⎜<br />
1−<br />
e<br />
⎝<br />
= 1−<br />
e<br />
10000 ⎛ −<br />
5000<br />
2500<br />
−<br />
5000<br />
⎞<br />
⎟<br />
= e<br />
⎠<br />
= 1−<br />
e<br />
−0.<br />
5<br />
0.<br />
1353.<br />
=<br />
0.<br />
3935.<br />
Die Wahrscheinlichkeit, dass eine Glühbirne weniger als 2500 Stunden brennt<br />
beträgt 0.3935. Die Wahrscheinlichkeit, dass eine Glühbirne mehr als 10000<br />
Stunden brennt, beträgt 0.1353.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 179<br />
−2<br />
=
Normalverteilung<br />
Bedeutung: „Wichtigste“ Verteilung überhaupt<br />
Gründe: - bei vielen Phänomenen in der Natur beobachtbar,<br />
Beispiele:<br />
- tritt auf, falls viele zufällige Einflüsse zusammenwirken,<br />
- Verteilung von Messfehlern<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
- theoretische Begründung über zentralen Grenzwertsatz (später),<br />
- herausragende Bedeutung in der induktiven Statistik<br />
(Schätz- und Testtheorie).<br />
- Abweichungen von Sollwerten bei der Produktion bestimmter Teile<br />
- Punktezahlen in Tests<br />
- Größen von Pflanzen bei ähnlichen Anbaubedingungen<br />
I.Steinke, T.Stocker Spezielle Verteilungen 180
Normalverteilung<br />
Eine Zufallsvariable X heißt normalverteilt mit Parametern<br />
2 2<br />
und Varianz σ > 0,<br />
kurz X ~ N(<br />
μ,<br />
σ ) , wenn sie die Dichte<br />
f<br />
( x)<br />
=<br />
1<br />
2<br />
2πσ<br />
besitzt. Es gilt ( X ) = ,<br />
2<br />
Speziell für = 0 , σ = 1<br />
mit der Dichte<br />
( ) 2 ( x μ)<br />
⎞<br />
2<br />
⎛ − μ<br />
exp ⎜<br />
−<br />
⎝ 2σ<br />
2<br />
E μ Var(<br />
X ) = σ .<br />
⎟ ⎟<br />
⎠<br />
,<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
μ erhält man die Standardnormalverteilung N(<br />
0,<br />
1)<br />
ϕϕ<br />
( x )<br />
=<br />
1 ⎛ x<br />
exp ⎜<br />
⎜−<br />
2<br />
⎜<br />
⎜−<br />
π ⎝ 2<br />
x<br />
∫−∞ und der Verteilungsfunktion Φ(<br />
x) = ϕ(<br />
t)<br />
dt .<br />
I.Steinke, T.Stocker Spezielle Verteilungen 181<br />
2<br />
⎞<br />
⎟<br />
⎠
Dichten von Normalverteilungen<br />
Anmerkung: Die Dichten sind symmetrisch um µ. Daher E(X)=µ.<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
I.Steinke, T.Stocker Spezielle Verteilungen 182
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Dichte und Verteilungsfunktion der Standardnormalverteilung<br />
( − x) ϕ(<br />
x)<br />
Φ( − x) = 1−<br />
Φ(<br />
x)<br />
ϕ =<br />
Anmerkung: Die Verteilungsfunktion Φ lässt sich nicht mit elementaren<br />
Funktionen berechnen. Man kann ihre Werte aber z.B. in Tafeln nachschlagen.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 183
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Transformation von Zufallsvariablen<br />
Wenn X eine Zufallsvariable ist und g eine reellwertige Funktion, dann ist Y=g(X)<br />
wieder eine Zufallsvariable. Die Betrachtung solcher Transformationen ist u.U.<br />
nützlich, um die Verteilung von Y auf diejenige von X zurückzuführen.<br />
Falls g streng monoton wachsend und damit invertierbar ist, d.h. man kann die<br />
Gleichung y=g(x) nach x umstellen, x=g-1 Gleichung y=g(x) nach x umstellen, x=g (y), so gilt<br />
-1 (y), so gilt<br />
−1<br />
−1<br />
( y)<br />
= P(<br />
Y ≤ y)<br />
= P(<br />
g(<br />
X ) ≤ y)<br />
= P(<br />
X ≤ g ( y))<br />
= F ( g ( y))<br />
.<br />
FY X<br />
Beispiel: Logarithmische Normalverteilung.<br />
Eine Zufallsvariable Y heißt logarithmisch normalverteilt mit Parametern µ und<br />
σ 2 , wenn X=ln(Y) normalverteilt ist mit Erwartungswert µ und Varianz σ 2 . Dann<br />
gilt<br />
( y ) =<br />
P ( Y ≤ y ) = P (ln( Y ) ≤ ln( y )) = P ( X ≤ ln( y )) = F (ln( y )).<br />
F FY = X<br />
Durch Ableiten der Verteilungsfunktion kann man die Dichte von Y und<br />
anschließend Erwartungswert und Varianz bestimmen.<br />
Die logarithmische Normalverteilung wird häufig in der Finanzmathematik<br />
angewandt.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 184
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Lineare Transformation von Zufallsvariablen<br />
Die lineare Transformation von Zufallsvariablen spielt eine besondere Bedeutung.<br />
Es seien b und c reelle Zahlen und X eine Zufallsvariable sowie Y=b+cX. Es sei<br />
c>0. Dann gilt<br />
y − b y − b<br />
F Y ( y ) = P ( Y ≤ y ) = P ( b + cX ≤ y ) = P ( X ≤ ) = F X ( ).<br />
c c<br />
Transformationsformel für lineare Transformationen<br />
X sei eine Zufallsvariable, c≠0 und Y=b+cX. Wenn c>0, dann ist<br />
y − b<br />
FY ( y)<br />
= FX<br />
( ).<br />
c<br />
Wenn X stetig verteilt ist mit Dichte fX, so ist auch Y stetig verteilt mit der<br />
Dichtefunktionen<br />
1 y − b<br />
f Y ( y ) =<br />
⋅ f X ( ).<br />
| c | c<br />
Beweis: Durch Ableiten erhalten wir die Dichte von Y (c>0).<br />
fY d<br />
dy<br />
Y<br />
X<br />
y − b<br />
c<br />
1<br />
c<br />
1<br />
c<br />
X<br />
y − b<br />
c<br />
'<br />
( y)<br />
= F ( y)<br />
= F ( ) ⋅ = ⋅ f ( ).<br />
I.Steinke, T.Stocker Spezielle Verteilungen 185
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Benzinumsatz.<br />
Auf S. 121 wurde die Dichte f für den Benzinumsatz U einer Tankstelle in 10000<br />
Liter angegeben.<br />
f Y<br />
2<br />
( x)<br />
= 4x<br />
3x<br />
) I ( x).<br />
f −<br />
( [ 0,<br />
1]<br />
Möchte man den Umsatz Y in Litern<br />
angeben, so ist Y=10000·U, d.h. für b=0<br />
und c=10000 gilt für die Dichte f Y von Y<br />
1 y<br />
10000 10000<br />
( y)<br />
= ⋅ f ( ).<br />
An der Gestalt der Dichte ändert sich<br />
nichts. Außerdem gilt, vgl. S.121,<br />
P(<br />
Y > 5000)<br />
= P(<br />
U > 0.<br />
5)<br />
=<br />
0.<br />
625.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 186
Lineare Transformation einer normalverteilten Zufallsvariable<br />
2<br />
Für ~ N(<br />
μ , σ )<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
X ist die linear transformierte Variable Y = b + cX , c ≠ 0,<br />
2 2<br />
wieder normalverteilt mit Y ~ N(<br />
b + cμ,<br />
c σ ).<br />
Beweis: Gemäß Transformationsformel für lineare Transformationen ist die<br />
Dichte von Y gleich<br />
1 ⎛ y − b ⎞<br />
fY ( y)<br />
= f X ⎜ ⎟,<br />
wobei f X ( x)<br />
=<br />
| c | ⎝ c ⎠<br />
Einsetzen liefert<br />
2<br />
⎛ ( ) ⎞<br />
⎜ ⎡ y − b ⎤ ⎟<br />
1 1 ⎜ ⎢<br />
− μ<br />
1 1<br />
⎥ ⎟<br />
( )<br />
⎣ c<br />
( )<br />
exp<br />
⎦<br />
| c |<br />
2<br />
2<br />
2<br />
2 ⎟ =<br />
⎟<br />
Das ist die Dichte von<br />
⎟<br />
⎜ ⎢<br />
− μ<br />
⎣ c ⎥<br />
f<br />
⎦<br />
Y y = ⋅<br />
⎜−<br />
π σ<br />
σ<br />
⎜<br />
⎝<br />
⎠<br />
2 2<br />
N ( b +<br />
cμ,<br />
c σ ).<br />
1<br />
2<br />
2πσ<br />
1<br />
2 2<br />
2π<br />
c σ<br />
( x μ)<br />
⎛ −<br />
exp ⎜<br />
− 2<br />
⎝ 2σ<br />
[ y − ( b c cμμ<br />
) ]<br />
⎛ +<br />
exp ⎜<br />
− 2 2<br />
⎝ 2c<br />
σ<br />
I.Steinke, T.Stocker Spezielle Verteilungen 187<br />
2<br />
⎟ ⎞<br />
⎠<br />
.<br />
2<br />
⎞<br />
⎟<br />
. ⎟<br />
⎞<br />
⎠
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Standardisierung einer Zufallsvariablen<br />
Durch Standardisierung können die Verteilungen von Zufallsvariablen auf<br />
standardisierte Typen von Verteilungen zurückgeführt werden.<br />
Eine Zufallsvariable heißt standardisiert, genau dann wenn<br />
Ist X eine Zufallsvariable mit Erwartungswert µ und Standardabweichung<br />
σ>0, dann ist die transformierte Zufallsvariable − μ<br />
= X<br />
Z<br />
standardisiert.<br />
E(<br />
Z)<br />
= 0,<br />
Var(<br />
Z)<br />
=<br />
Durch eine lineare Transformation kann man Zufallsvariablen standardisieren:<br />
Beweis: Unter Anwendung der Rechenregeln für Erwartungswert und<br />
Varianz gilt:<br />
⎛ 1 μ ⎞ 1 μ<br />
E(<br />
Z)<br />
= E⎜<br />
X − ⎟ = E(<br />
X ) − = 0,<br />
⎝σ<br />
σ ⎠ σ σ<br />
⎛ 1 μ ⎞ 1<br />
Var(<br />
Z)<br />
= Var⎜<br />
X − ⎟ = ⋅Var(<br />
X ) = 1.<br />
2<br />
⎝σ<br />
σ ⎠ σ<br />
I.Steinke, T.Stocker Spezielle Verteilungen 188<br />
1.<br />
σ
Standardisierung einer normalverteilten Zufallsvariable<br />
μ,σ<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
2<br />
Ist X eine N( )− verteilte Zufallsvariable, so ist die standardisierte<br />
Zufallsvariable<br />
Z<br />
− μ<br />
= X − μ<br />
=<br />
σ<br />
X<br />
standardnormalverteilt, d.h. Z ~ N(<br />
0,<br />
1).<br />
Beweis: Siehe lineare Transformation einer normalverteilten Zufallsvariable.<br />
2<br />
Somit gilt für X ~ N(<br />
μ,<br />
σ ):<br />
Also<br />
F FX ⎛ X − μμ x − μμ<br />
⎞ ⎛ x − μμ<br />
⎞ ⎛ x − μμ<br />
⎞<br />
⎜<br />
⎟ ⎜ ⎟ ⎜ ⎟<br />
⎝ σ σ ⎠ ⎝ σ ⎠ ⎝ σ ⎠<br />
( x ) = P ( X ≤ x ) = P ≤ = P Z ≤ = Φ .<br />
2 ( μ,<br />
)<br />
X<br />
~ N σ<br />
F X<br />
⎛ x − μ ⎞<br />
⎜ ⎟<br />
⎝ σ ⎠<br />
( x)<br />
= Φ = Φ(<br />
z)<br />
I.Steinke, T.Stocker Spezielle Verteilungen 189<br />
mit<br />
z<br />
− μ<br />
=<br />
σ<br />
x
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Zahlreiche Berechnungen für normalverteilte Zufallsvariablen kann man durch<br />
lineare Transformation auf eine standardnormalverteilte zurückführen.<br />
Beispiel<br />
Angenommen, X sei N(1, 4)-verteilt. Wie groß ist die Wahrscheinlichkeit für<br />
X
Beispiel:<br />
(1) Ermittlung von<br />
Φ(0.51):<br />
Eintrag in Zeile 0.5 und<br />
Spalte 0.01 liefert Wert<br />
zu 0.5+0.01: 0.6950.<br />
(2) Ermittlung von<br />
Φ-1 (0.95):<br />
Nach Eintrag in der<br />
Tabelle suchen, der am<br />
nächsten an 0.95 liegt.<br />
Wir wählen 0.9495<br />
(auch 0.9505 wäre<br />
möglich).<br />
Der Zeile- und Spaltenwert<br />
liefern den<br />
gesuchten Wert:<br />
1.6 + 0.04 = 1.64.<br />
0.0<br />
0.1<br />
0.2<br />
0.3<br />
0.4<br />
0.5<br />
0.6<br />
0.7<br />
0.8<br />
0.9<br />
1.0<br />
1.1<br />
1.2<br />
1.3<br />
1.4<br />
1.5<br />
1.6<br />
1.7<br />
1.8<br />
1.9<br />
2.0<br />
2.1<br />
2.2<br />
2.3<br />
2.4<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Werte der Verteilungsfunktion der Standardnormalverteilung<br />
P(Z≤z)=Φ(z).<br />
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09<br />
0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359<br />
0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753<br />
0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141<br />
0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517<br />
0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879<br />
0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224<br />
0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549<br />
0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852<br />
0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133<br />
0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389<br />
0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621<br />
0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830<br />
0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015<br />
0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177<br />
0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319<br />
0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441<br />
0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545<br />
0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633<br />
0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706<br />
0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767<br />
0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817<br />
0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857<br />
0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890<br />
0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916<br />
0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936<br />
I.Steinke, T.Stocker Spezielle Verteilungen 191
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Quantile und zentrale Schwankungsintervalle der Normalverteilung<br />
μ,σ<br />
2<br />
Sei X eine N( )− verteilte Zufallsvariable. Dann gilt:<br />
− μ<br />
σσ<br />
α zα bzw. q α = μ + σ zα<br />
,<br />
α = z bzw. q α = μ + σ zα<br />
,<br />
= q<br />
wobei qα die α-Quantile von X und zα die α-Quantile der Standardnormal-<br />
verteilung bezeichnen.<br />
Allgemein gilt:<br />
P<br />
( z σ ≤ X ≤ μ + z σ ) = 1−<br />
α .<br />
μ − 1−α<br />
/ 2<br />
1−α<br />
/ 2<br />
Speziell folgt daraus für z = k :<br />
1−α<br />
/ 2<br />
( μ −σ ≤ X ≤ μ + ) = 0 . 6827,<br />
k = 1,<br />
( μ − 2 σ ≤ X ≤ μ + 2 ) = 0.<br />
9545,<br />
k = 2,<br />
( μ<br />
− 3 σ ≤ X ≤ μ + 3 ) = 0.<br />
9973,<br />
k = 3.<br />
P σ<br />
P σ<br />
P σ<br />
I.Steinke, T.Stocker Spezielle Verteilungen 192
k<br />
αα<br />
/ 2<br />
1−α<br />
αα<br />
/ 2<br />
μ − kσ<br />
μ μ + kσ<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beachte:<br />
Aufgrund der<br />
Symmetrie der<br />
Dichtefunktion φφ<br />
gilt für beliebiges<br />
0
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Lebensdauern von Batterien.<br />
Batterien der Firma Nimmermüde seien normalverteilt mit einer mittleren<br />
Lebensdauer von 400 Stunden und einer Standardabweichung von 120<br />
Stunden. Wie groß ist die Wahrscheinlichkeit, dass eine Batterie mindestens<br />
300 Stunden hält.<br />
Lösung: X bezeichne die Lebensdauer der Batterien. Dann ist X~N(400,120 2 ).<br />
Gesucht ist P(X≥300).<br />
Nach Standardisierung ist Z=(X-400)/120 ~N(0,1).<br />
P(<br />
X<br />
⎛ X − 400 300 − 400 ⎞ ⎛<br />
≥ 300)<br />
= P⎜<br />
≥ ⎟ = P⎜<br />
Z<br />
⎝ 120 120 ⎠ ⎝<br />
5 ⎞<br />
⎟<br />
6 ⎠<br />
⎛ 5 ⎞ ⎛ ⎛ 5 ⎞ ⎞ ⎛ 5 ⎞<br />
= 1−<br />
Φ⎜−<br />
⎟ = 1−<br />
⎜1−<br />
Φ⎜<br />
⎟⎟<br />
= Φ⎜<br />
⎟ = 0.<br />
7977.<br />
⎝ 6 ⎠ ⎝ ⎝ 6 ⎠⎠<br />
⎝ 6 ⎠<br />
Die Wahrscheinlichkeit, dass eine Batterie länger als 300 Stunden hält, beträgt<br />
0.7977.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 194<br />
≥<br />
−
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Rasendünger.<br />
Die Firma Gartengrün besitzt eine Maschine zum Abfüllen von Rasendünger.<br />
Die Maschine füllt im Mittel 25 kg in einen Sack. Die Abfüllungen haben<br />
eine Standardabweichung von 0.3 kg und seien normalverteilt.<br />
Wie groß ist der Anteil der Säcke, deren Abweichungen vom Mittelwert 25kg<br />
größer als 0.5 kg ist.<br />
Lösung:<br />
P(|<br />
X − 25 | ≥<br />
0.<br />
5)<br />
= 1−<br />
P(|<br />
X<br />
− 25 | <<br />
0.<br />
5)<br />
= 1−<br />
P(<br />
24.<br />
5 < X<br />
⎛ 24.<br />
5 − 25 X − 25 25.<br />
5 − 25 ⎞<br />
= 1−<br />
P⎜<br />
< < ⎟<br />
⎝ 0.<br />
3 0.<br />
3 0.<br />
3 ⎠<br />
25.<br />
5)<br />
⎛<br />
= 1−<br />
P⎜−<br />
⎝<br />
0.<br />
5<br />
0.<br />
3<br />
0.<br />
5<br />
0.<br />
3<br />
⎛ ⎛ 5 ⎞ ⎛ 5 ⎞⎞<br />
⎛ ⎛ 5 ⎞ ⎛ 5 ⎞ ⎞ ⎛ 5 ⎞<br />
= 1 1−<br />
⎜ ⎜Φ⎜<br />
⎟ − Φ ⎜ ⎜−<br />
⎟ ⎟ = 1 − ⎜ Φ ⎜ ⎟ − ( 1 − Φ ⎜ ⎟ ) ⎟ = 2 ( 1 − Φ ⎜ ⎟ )<br />
⎝ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎠ ⎝ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎠ ⎝ 3 ⎠<br />
= 2⋅<br />
( 1−<br />
0.<br />
9522)<br />
= 0.<br />
0956.<br />
− Φ −<br />
= − Φ⎜<br />
⎟<br />
⎝ ⎠<br />
9,56% der Säcke weisen Abweichungen der Abfüllungsmengen vom<br />
Mittelwert von mindestens 0.5 kg auf.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 195<br />
<<br />
<<br />
Z<br />
<<br />
⎞<br />
⎟<br />
⎠
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Multipliziert man normalverteilte Zufallsvariablen mit Konstanten oder bildet<br />
man Summen von unabhängigen, normalverteilten Zufallsvariablen, so sind die<br />
resultierenden Zufallsvariablen erneut normalverteilt.<br />
Verteilung der Summe unabhängiger normalverteilter Zufallsvariablen<br />
2<br />
2<br />
Sind X N(<br />
μ , σ ) und Y N(<br />
, σ )<br />
~ X X ~ μ Y Y unabhängig, so gilt:<br />
2<br />
X + Y ~ N(<br />
μ + μ , σ<br />
2<br />
+ σ ).<br />
X<br />
Y<br />
X<br />
Y<br />
2<br />
Sind ~ N(<br />
μ , σ ) , i = 1,<br />
K,<br />
n unabhängig, so ist jede Linearkombination<br />
X i i i<br />
Y n<br />
= c1X<br />
1 + K+<br />
c X wieder normalverteilt mit<br />
2 2<br />
2 2<br />
Y ~ N ( c μ μ + K<br />
+ c μμ<br />
, c σσ<br />
+ K + c σσ<br />
). ).<br />
1<br />
1<br />
n<br />
n<br />
1<br />
1<br />
I.Steinke, T.Stocker Spezielle Verteilungen 196<br />
n<br />
n
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Beispiel: Asset Allocation (aus Wewel)<br />
Ein Anleger möchte einen bestimmten Geldbetrag (30 000€) in Aktien<br />
anlegen. Wir gehen davon aus, dass sich die Renditen der Aktien A 1 und A 2<br />
als unabhängige normalverteilte Zufallsvariablen mit Erwartungswert µ i<br />
(erwartete Rendite) und Standardabweichung σ σi (Volatilität) beschreiben<br />
lassen. A m sei ein Portfolio, dass 50% der Anlagesumme in A 1 und 50% der<br />
Anlagesumme in A 2 investiert.<br />
Wie groß sind die erwartete Rendite und die Volatilität für A m? Bestimmen<br />
Sie für A 1, A 2 und A m die Wahrscheinlichkeit, einen Verlust zu realisieren!<br />
Aktie Rendite erwartete<br />
Rendite<br />
A 1 R 1 24% 15%<br />
A 2 R 2 10% 5%<br />
Volatilität<br />
I.Steinke, T.Stocker Spezielle Verteilungen 197
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
Lösung: Nach Voraussetzung sind R 1~N(0.24,0.15 2 ) und R 2~N(0.1,0.05 2 )<br />
unabhängig und es gilt R m = 0.5·(R 1+R 2).<br />
Nach der Aussage über die Verteilung der Summe unabhängiger<br />
normalverteilter Zufallsvariablen ist R m wieder normal verteilt. Es gilt<br />
R m<br />
~<br />
N<br />
2 2 2 2<br />
( 0.<br />
5⋅<br />
0.<br />
24 + 0.<br />
5⋅<br />
0.<br />
1,<br />
0.<br />
5 ⋅0.15<br />
+ 0.<br />
5 ⋅0.05<br />
) = N(0.17,0.00625)<br />
.<br />
Damit ist die erwartete Rendite von A m gleich dem Erwartungswert von R m,<br />
E(<br />
R ) =<br />
m<br />
0.<br />
17,<br />
und die Volatilität ist gleich der Standardabweichung von R m, also<br />
Var<br />
( R ) = 0 . 00625 = 0 . 079 .<br />
m<br />
Das Portfolio A m liefert also eine bessere Rendite als A 2, besitzt aber ein<br />
kleineres Risiko als A 1.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 198
Die Aktien machen Verlust, wenn ihre Rendite negativ ist.<br />
P<br />
( R1<br />
<<br />
0)<br />
⎛ 0 − 0.<br />
24 ⎞<br />
= Φ⎜<br />
⎟<br />
⎝ 0.<br />
15 ⎠<br />
= Φ(<br />
−1.<br />
6)<br />
= 1−<br />
Φ(<br />
1.<br />
6)<br />
= 1−<br />
0.<br />
9452 =<br />
⎛ 0 − 0 . 1 ⎞<br />
P ( R R2<br />
< 0 ) = Φ ⎜ ⎟ = Φ ( − 2 ) = 1 − Φ ( 2 ) = 1 − 0 . 9772 = 0 . 0228 .<br />
⎝ 0.<br />
05 ⎠<br />
⎛ 0 − 0.<br />
17 ⎞<br />
P(<br />
Rm<br />
< 0)<br />
= Φ⎜<br />
⎟ = Φ(<br />
−2.<br />
15)<br />
= 1−<br />
Φ(<br />
2.<br />
15)<br />
= 1−<br />
0.<br />
9842 =<br />
⎝ 0.<br />
079 ⎠<br />
<strong>Stetige</strong> <strong>Verteilungsfamilien</strong><br />
0.<br />
0548.<br />
0.<br />
0158.<br />
Die Wahrscheinlichkeit, Verlust zu machen, ist für das Portfolio Am am<br />
kleinsten. Aus dieser Sicht mag es für risikoscheue Anleger interessanter sein<br />
als beispielsweise A A2. 2.<br />
Anmerkung: Die Unabhängigkeit der Aktien ist i.A. eine unrealistische<br />
Annahme. Mit der Beschreibung von Abhängigkeiten zwischen<br />
Zufallsvariablen beschäftigt sich Kapitel 4.<br />
I.Steinke, T.Stocker Spezielle Verteilungen 199